[连玉君] 连玉君5月11日金融计量在线访谈   [推广有奖]

我想，每个人都有自己的长处和短处，应该扬长避短。
我本科时学的是材料科学，学过统计学和线性代数，大三时辅修过一个计算机专业。
后来读研究生时转学经济学，发现经济学和材料学差异很大，很多东西存在不确定性，最典型的就是宏观经济学，总感觉是一堆人在几十年如一日的争论，但始终没有结果。这似乎也是人文和社会科学的共同特点。我对这个很不适应。后来读博士时，我决定读计量，以便发挥我的优势，现在看来这个选择是对的。
我觉得你可以考虑读那些对数学要求比较高的方向，比如资产定价，衍生品等。

连老师 那个论文专题视频课程什么时间出来啊

表面上看似乎是不严谨的，其实往往是无奈之举。在理论计量领域，学者们做了很多假设，推导出很漂亮的模型和估计方法。但在做实证分析的过程中，这些假设往往无法满足，使得我们不得不寻求一些替代的方法。就我个人的观点来看，多数发表在 JF， JFE 上的文章，作者都有非常好的计量基础，他们能采用恰到好处的方法来论证自己的观点。最近我正在给学生讲的两篇文章都做到了这一点，建议读一下：
Flannery, M. J., Rangan, K. P., 2006. Partial adjustment toward target capital structures [J]. Journal of Financial Economics, 79 (3): 469-506.
Fazzari, S., Hubbard, R., Petersen, B., Blinder, A.,Poterba, J., 1988. Financing constraints and corporate investment [J]. Brookings papers on economic activity, 1988 (1): 141-206.

我想，你期待的更多是有关实务方面的解答，很遗憾，我对此知之甚少，我从一个学校出来，到另一个学校教书，没有实战的经历。这些问题，我觉得你可以找一下 MBA 的学生聊一下，他们会给你很多启发。

对于这个问题，我实在无能为力。从 2003 年开始，我一直用 Stata 解决所有问题。你可以看看这两个软件的说明书，并在网上寻求一些解释。

不知道这么问，还是请教一下，我们国家目前是经济情况，投资什么行业赚钱呢？

相对于做宏观经济学的学者，做金融的所处理的数据量是要大一些，但多数人面临的问题还远未达到“海量”的程度，呵呵。就我的经验而言，我觉得有如下几个方面：
其一，要掌握一种能够高效处理数据的软件，比如对数据的合并、追加、排序、分组统计和计算等；
其二，要学会一些基本的编程语句，如循环语句，条件语句等，这有助于大幅提高你的处理效率；
其三，要好好补一下统计学知识，比如分位数、密度函数、常用的分布等，否则在处理离群值、假设检验过程中，你会遇到很多障碍。
最后，“实践出真知”。别人告诉你再多的经验，也都是他们的经验，只有自己多做实证分析，不断完善自己的知识结构，才能得到真正属于自己的“经验”。

建议利用 scholar.google.com 搜索相关文献，所得到的答案会更加可信。

Arellano, M., Bond, S., 1991. Some tests of specification for panel data: Monte carlo evidence and an application to employment equations [J]. Review of Economic Studies, 58 (2): 277-297.
这篇经典文献值得反复研读，他们把最关键的问题都说清楚了。
如果没学过 GMM，建议找本2000年以后出版的计量课本（最好是英文版）好好看看 GMM 相关的内容，这对于理解工具变量的选择，最有权重的设定，以及过度识别检验 会很有帮助。建议看看如下几本书：
Arellano, M. Panel data econometrics [M]. New York: Oxford University Press, 2003.
Hayashi, F. Econometrics [M]. Princeton University Press, 2000.

也可以同时看如下这两本姊妹篇：
Cameron, A., Trivedi, P. Microeconometrics: Methods and applications [M]. Cambridge University Press, 2005.
Cameron, A., Trivedi, P. Microeconometrics using stata [M]. Stata Press, 2009.

对于异方差、自回归，虽然在计量经济学中学了很多检验和处理方法，但实证分析过程中，大家基本上都是采用 White (1980) (White, H., 1980. A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity [J]. Econometrica, 48 (4): 817-838.) 的稳健性标准误，或者 Newey, W., West, K., 1987. A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix [J]. Econometrica, 55 (3): 703-708.
对于 Panel Data 而言，近期开始越来越多地考虑 cluster 调整后的标准误，这是对面板特征的考虑。参见
Petersen, M. A., 2009. Estimating standard errors in finance panel data sets: Comparing approaches [J]. Review of Financial Studies, 22 (1): 435-480.

至于共线性，不同的领域会有不同的关注点和处理方法。就公司财务领域而言，基本上没有固定的模式，但一个常规的方法是，逐个放入可能存在共线性的变量，简言之，不要让他们同时出现在模型中。

至于你提到“面对最终结果与经济意义相矛盾的时候，应该怎么办呢？”，我觉得应该尽量让数据说话。当然，在此之前你要通过计量经济学中的知识确认你们的数据处理是干净的，模型设定不存在严重的偏误，变量的选取是合理的，排除这些问题后，就要考虑你的经济学假设是否合理，是否有些假设条件没有得到满足。必要时，可以考虑分组检验、分样本检验，以便尽可能在理论分析的假设条件得到满足的境况下进行检验。